Nanomagnetisk databehandling kan drastisk reducere AI's energiforbrug

Efterhånden som tingenes internet udvides, ønsker ingeniører at integrere AI i alt, men mængden af ​​energi, det kræver, er en udfordring for de mindste og mest fjerntliggende enheder. En ny "nanomagnetisk" computertilgang kunne give en løsning.

Mens de fleste AI udvikling i dag er fokuseret på store, komplekse modeller, der kører i enorme datacentre, der er også stigende efterspørgsel efter måder at køre enklere AI-applikationer på mindre og mere strømbegrænsede enheder.

For mange applikationer, fra wearables til smarte industrielle sensorer til droner, giver det ikke mening at sende data til cloud-baserede AI-systemer. Det kan skyldes bekymringer om deling af private data eller de uundgåelige forsinkelser, der kommer fra at overføre dataene og vente på et svar.

Men mange af disse enheder er for små til at rumme den slags højtydende processorer, der normalt bruges til kunstig intelligens. De har også tendens til at køre på batterier eller energi høstet fra miljøet, og kan derfor ikke opfylde de krævende strømkrav til konventionelle deep learning-tilgange.

Dette har ført til en voksende mængde forskning i nye hardware- og computertilgange, der gør det muligt at køre AI på denne slags systemer. Meget af dette arbejde har forsøgt at låne fra hjernen, som er i stand til at udføre utrolige computerbedrifter, mens den bruger den samme mængde strøm som en pære. Disse omfatter neuromorfe chips, der efterligner ledningerne i hjernen og processorer bygget af memristorer-elektroniske komponenter, der opfører sig som biologiske neuroner.

Ny forskning ledet by videnskabsmænd fra Imperial College London foreslår, at databehandling med netværk af nanoskalamagneter kunne være et lovende alternativ. I en papir udgivet i sidste uge i Natur Nanoteknologi, viste holdet, at ved at anvende magnetiske felter på en række små magnetiske elementer, kunne de træne systemet til at behandle komplekse data og give forudsigelser ved at bruge en brøkdel af kraften fra en normal computer.

Kernen i deres tilgang er det, der er kendt som et metamateriale, et menneskeskabt materiale, hvis indre fysiske struktur er omhyggeligt konstrueret til at give det usædvanlige egenskaber, der normalt ikke findes i naturen. Især skabte holdet et "kunstigt spin-system", et arrangement af mange nanomagneter, der kombineres for at udvise eksotisk magnetisk adfærd.

Deres design består af et gitter af hundredvis af 600 nanometer lange stænger af permalloy, en højmagnetisk nikkel-jern-legering. Disse stænger er arrangeret i et gentaget mønster af X'er, hvis overarme er tykkere end deres underarme.

Normalt har kunstige spinsystemer en enkelt magnetisk tekstur, som beskriver magnetiseringsmønsteret på tværs af dets nanomagneter. Men det kejserlige teams metamateriale har to forskellige teksturer og muligheden for, at forskellige dele af det kan skifte mellem dem som reaktion på magnetiske felter.

Forskerne brugte disse egenskaber til at implementere en form for AI kendt som reservoir computing. I modsætning til deep learning, hvor et neuralt netværk omkobler sine forbindelser, mens det træner på en opgave, fører denne tilgang data ind i et netværk, hvis forbindelser alle er faste og træner simpelthen et enkelt outputlag til at fortolke, hvad der kommer ud af dette netværk.

Det er også muligt at erstatte dette faste netværk med fysiske systemer, inklusive ting som memristorer eller oscillatorer, så længe de har visse egenskaber, såsom en ikke-lineær respons på input og en form for hukommelse af tidligere input. Det nye kunstige spin-system opfylder disse krav, så holdet brugte det som et reservoir til at udføre en række databehandlingsopgaver.

De indtaster data til systemet ved at udsætte det for sekvenser af magnetiske felter, før de tillader dets egen interne dynamik til behandle dataene. De brugte derefter en billedbehandlingsteknik kaldet ferromagnetisk resonans til at bestemme den endelige fordeling af nanomagneterne, hvilket gav svaret.

Selvom disse ikke var praktiske databehandlingsopgaver, var holdet i stand til at vise, at deres enhed var i stand til at matche førende reservoir-beregningsskemaer på en række forudsigelsesudfordringer, der involverer data, der varierer over tid. Det er vigtigt, at de viste, at det var i stand til at lære effektivt på forholdsvis korte træningssæt, hvilket ville være vigtigt i mange IoT-applikationer i den virkelige verden.

Og ikke kun er enheden meget lille, det faktum, at den bruger magnetiske felter til at udføre beregninger i stedet for at flytte elektricitet rundt, betyder, at den bruger langt mindre strøm. I en pressemeddelelse, vurderer forskerne, at når det skaleres op, kan det være 100,000 gange mere effektivt end konventionel computer.

Der er lang vej igen, før denne form for enhed kan bruges i praksis, men resultaterne tyder på, at computere baseret på magneter kan spille en vigtig rolle i indlejring af AI overalt.

Billede Credit: BarbaraJackson / 264 billeder

• Coinsmart. Europas bedste Bitcoin og Crypto Exchange.
• Platoblokkæde. Web3 Metaverse Intelligence. Viden forstærket. FRI ADGANG.
• CryptoHawk. Altcoin radar. Gratis prøveversion.
• Kilde: https://singularityhub.com/2022/05/09/nanomagnetic-computing-could-drastically-cut-ais-energy-use/